社区发现在复杂网络分析中具有重要的研究意义,通过分析网络中隐含的信息量,可以准确地挖掘网络内部成员之间的层次结构。现阶段社区发现已经得到了广泛的关注,层出不穷的理论技术是推动对社区进行更深层次的研究的基础。本文建立在众多研究者的基础上,针对复杂网络中存在的大量的属性信息,研究结合属性与链接信息的社区发现技术,提出两种不同应用场景的社区发现方法。本文以属性信息和链接信息为研究内容,以贝叶斯和非负矩阵分解为研究基础,以提高社区发现的密度和效率为研究目标,对社区发现算法进行分析与设计,具体内容如下:1.针对具有属性的网络中重叠社区发现中内部节点的密度较低的问题,提出一种改进的基于联合贝叶斯非负矩阵分解的社区发现算法。首先在经典的贝叶斯概率模型的基础上加以改进,有效地将属性和链接信息进行结合;然后引入贝叶斯相关理论对模型的目标函数进行分析和验证;最后根据非负矩阵分解设计最终的迭代更新规则,从而对算法进行设计与实现。实验结果表明,该算法检测出来的社区密度较高且具有较强的结构性,适合对小网络中的大社区进行重叠的社区发现。2.针对具有属性的网络中非重叠社区划分效率低的问题,提出一种改进的基于联合贝叶斯聚类的社区发现算法。首先介绍一种基于LDA的联合贝叶斯概率模型,并得到基于贝叶斯概率模型的迭代更新公式;然后引入改进的随机游走算法对社区进行初始化的计算;最后结合迭代更新公式与初始化的社区进行算法的设计。实验结果表明,该算法对非重叠的社区发现体现出良好的性能,也适合于对只含链接信息的网络进行社区分析。本文所提出的两种改进算法分别在重叠和非重叠的社区检测中都具有良好的表现,同时都融入了网络中的链接信息与属性信息,对结合属性和链接信息的社区发现研究具有重要的意义。